Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles

1. 문제 정의 (Problem)

자율 시스템, 특히 무인 항공기 (UAV) 의 복잡한 곡예 비행 (Aerobatic maneuvers) 수행 시 안전하고 민첩한 궤적 계획은 필수적입니다. 그러나 기존 접근 방식에는 다음과 같은 한계가 존재합니다.

• 생성형 AI 의 안전성 부재: 최근 확산 모델 (Diffusion Models) 은 고품질의 다양하고 복잡한 궤적을 생성하는 데 탁월한 능력을 보이지만, 안전 제약 조건을 명시적으로 고려하지 않을 경우 장애물 충돌과 같은 치명적인 오류를 발생시킬 수 있습니다.
• 데이터 의존성: 안전이 보장된 궤적 데이터를 대량으로 수집하여 모델을 학습시키는 것은 비용이 많이 들고 비현실적입니다.
• 기존 안전 기법의 한계: 기존 제어 장벽 함수 (CBF) 기반 방법론은 주로 최적화 기반 제어에 국한되거나, 확산 모델의 생성 과정에 통합되지 않아 실시간으로 안전을 보장하기 어렵습니다.

2. 제안 방법론 (Methodology)

저자들은 AeroTrajGen이라는 새로운 프레임워크를 제안했습니다. 이는 확산 모델의 생성 능력과 제어 장벽 함수 (CBF) 의 안전 보장 능력을 결합한 CBF 가이드 확산 모델입니다.

A. 핵심 아키텍처: 장애물 인식 확산 트랜스포머 (Obstacle-Aware Diffusion Transformer)

• 다중 모달 조건부 학습: 과거 궤적, 목표 지점, 곡예 비행 스타일 (14 가지), 그리고 장애물 정보를 입력으로 받아 궤적을 생성합니다.
• 트랜스포머 백본: 시간적 일관성을 유지하면서 환경 맥락을 인코딩하는 인코더와 디코더 구조를 사용하며, 과거 궤적과 미래 예측 구간 간의 연속성을 보장하는 손실 함수를 적용합니다.

B. 추론 단계의 혁신: CBF 가이드 샘플링 (CBF-guided Sampling)

가장 중요한 기여는 추론 (Inference) 단계에서 안전성을 보장하는 방식입니다.

• 기존 방식의 대안: 학습 데이터에 안전성을 포함시키거나 생성 후 (Post-hoc) 필터링을 적용하는 대신, 확산 과정의 역방향 (Reverse Diffusion Process) 에 안전성 제약 조건을 직접 주입합니다.
• 수학적 원리:
  • 확산 모델의 점수 함수 (Score Function, $\nabla_x \log p_t(x_t)$) 에 CBF 기반의 안전성 확률 함수의 기울기 (Gradient) 를 추가합니다.
  • 이를 통해 모델이 장애물 영역으로 이동하는 확률을 줄이고, 안전 영역으로 유도합니다.
  • 안전성 확률 함수: 지수 함수, 정규 CDF, 로지스틱 (시그모이드) 함수 중 로지스틱 함수가 부드러움과 계산 효율성 면에서 가장 우수한 성능을 보였습니다.
• 동적 가이드 강도: 확산 과정의 초기 단계에서는 안전성을 위해 강한 가이드 ($\gamma$) 를 적용하고, 후반부에는 미세 조정을 위해 가이드 강도를 점진적으로 낮춥니다.

3. 주요 기여 (Key Contributions)

1. 안전한 추론 프레임워크 (AeroTrajGen): 학습 데이터의 안전성 검증에 대한 의존도를 낮추면서도, 추론 단계에서 CBF 를 통해 충돌 없는 궤적을 보장하는 최초의 확산 기반 UAV 궤적 생성 프레임워크를 제안했습니다.
2. CBF 와 확산 모델의 통합: 안전 장벽의 불변성 (Forward Invariance) 을 확산 모델의 역방향 SDE(Stochastic Differential Equation) 의 기울기 흐름에 직접 통합하여, 재학습 없이도 안전성을 보장할 수 있는 방법을 제시했습니다.
3. 다양한 곡예 비행 지원: 14 가지의 다양한 곡예 비행 스타일 (Power loop, Barrel roll 등) 을 지원하며, 복잡한 장애물 환경에서도 민첩한 기동을 가능하게 합니다.
4. 오픈소스 코드: 연구의 재현성을 위해 관련 코드를 공개했습니다.

4. 실험 결과 (Results)

시뮬레이션 환경 (3~5 개의 구형 장애물) 에서 2,000 개의 전문가 시연 데이터로 학습된 모델을 평가했습니다.

• 충돌률 감소: CBF 가이드가 없는 기준 모델 (Unguided) 대비 충돌률이 94.7% 감소했습니다.
  • 특히 5 개 장애물 환경에서 가이드 없는 모델은 96.0% 의 충돌률을 보인 반면, 제안된 방법 (Config C, 로지스틱 함수 + 강한 가이드) 은 0% 의 충돌률을 달성했습니다.
• 안전성 - 정확성 트레이드오프:
  • 안전성을 극대화하기 위해 가이드 강도를 높이면 충돌은 사라지지만, 궤적 오차 (RMSE) 가 증가하고 곡예 비행의 정밀도가 다소 떨어지는 경향이 있었습니다.
  • 그러나 장애물 인코더와 적절한 가이드 강도를 결합한 설정 (Config A) 은 충돌률 2.0% 와 31.5% 의 성공률을 보여주어 안전성과 정확성 사이의 균형을 잘 잡았습니다.
• 다양성 유지: 14 가지 곡예 비행 스타일 모두를 충돌 없이 생성할 수 있었으며, 생성된 궤적의 다양성과 민첩성이 유지되었습니다.

5. 의의 및 결론 (Significance)

이 논문은 생성형 AI 의 표현력과 안전 필수 시스템 (Safety-critical systems) 의 엄격한 요구사항 사이의 간극을 해소하는 중요한 단계를 제시합니다.

• 실용적 가치: 안전이 검증된 대규모 데이터 없이도, 추론 단계에서의 수학적 가이드 (CBF) 를 통해 UAV 가 복잡한 환경에서 안전하게 곡예 비행을 수행할 수 있음을 입증했습니다.
• 미래 전망: 정적 장애물에서 동적 장애물 처리 및 다중 에이전트 협업으로의 확장, 그리고 적응형 제약 가중치 조정 등을 통해 자율 비행 시스템의 안전성과 유연성을 동시에 향상시키는 데 기여할 것으로 기대됩니다.

요약하자면, AeroTrajGen은 확산 모델이 가진 '불확실성'을 CBF 를 통해 제어함으로써, 안전을 해치지 않으면서도 고도의 기동성을 갖춘 UAV 궤적 생성을 가능하게 한 획기적인 연구입니다.